List of publications on a keyword: «машинное обучение»
Технические науки
FSBEI HE "Samara National Research University named after academician S.P. Korolev" , Самарская обл
«Линейная регрессия»
В статье рассматривается один из методов машинного обучения – линейная регрессия.
FSBEI HE "Samara National Research University named after academician S.P. Korolev" , Самарская обл
«Реализация многослойной сети персептрона»
В статье рассматривается способ реализации многослойной сети персептрона.
FSBEI HE "Samara National Research University named after academician S.P. Korolev" , Самарская обл
«Нелинейная регрессия»
В статье рассматривается один из методов машинного обучения – нелинейная регрессия.
FSBEI HE "Samara National Research University named after academician S.P. Korolev" , Самарская обл
«Линейные классификаторы»
В данной исследовательской работе автором рассматривается один из методов машинного обучения – использование метрических классификаторов.
FSBEI HE "Samara National Research University named after academician S.P. Korolev" , Самарская обл
«Логические классификаторы»
В данной работе автором рассматриваются один из методов машинного обучения – использование метрических классификаторов.
FSBEI HE "Samara National Research University named after academician S.P. Korolev" , Самарская обл
«Метрические классификаторы»
В данной работе рассматриваются один из методов машинного обучения – использование метрических классификаторов. Автором также представлены типы метрических алгоритмов.
Информатика и вычислительная техника
Viktor V. Elistratov , doctor of engineering sciences
St. Petersburg Institute of Machinery of St. Petersburg Polytechnic University named after Peter the Great , Санкт-Петербург г
«Razrabotka obuchennoi modeli iskusstvennogo intellekta dlia prognozirovaniia skorosti erozii»
В статье описана методология разработки автономной самообучающейся модели искусственного интеллекта для оперативного расчета эрозионного износа трубопроводов. Модель построена на алгоритме градиентного бустинга LightGBM с использованием обучающей выборки, сгенерированной в Ansys Fluent. Реализована полная интеграция модели в облачную среду Google Sheets, обеспечивающая мгновенное прогнозирование и возможность постоянного дообучения.
FSSFEI of HE "South Ural State University" (NRU) , Челябинская обл
«BigData & Machine learning: resheniia po izvlecheniiu tsennosti iz dannykh (prodazhi)»
В данной статье рассматриваются подходы, логика и целесообразность применение в бизнесе машинного обучения и больших данных и их влияние при принятии решений.
ANO VO "Moskovskii informatsionno-tekhnologicheskii universitet - Moskovskii arkhitekturno-stroitel'nyi institut" , Москва г
«Primenenie platformy raspredelennykh vychislenii bol'shikh dannykh v bankovskoi sfere»
В настоящее время наблюдается колоссальный рост количества цифровых данных, и, по данным экспертов, этот объем будет увеличиваться на 30–40% ежегодно. Объем данных, созданных в 2020 году, более чем в 3 раза превышает объем данных за 2015 год, и составляет 64 Зеттабайт (Зб). В 2022 году объемы всех данных, накопленных человечеством, составили примерно 97 Зб, а к 2025 году это число возрастет до 180 Зб. В связи с этим многие компании ищут новые способы, методы, автоматизированные системы по обработке таких данных. В статье рассмотрены платформы по обработке данных, которые позволят финансовым организациям выйти на новый уровень как по качеству оценки кредитоспобности, риск-менеджменту, так и по прибыли.
Бухгалтерский, управленческий учет и аудит
Svetlana A. Strekalova
FGBOU VO "Sibirskii gosudarstvennyi industrial'nyi universitet" , Кемеровская обл
«Искусственный интеллект и машинное обучение в автоматизации процессов закрытия периода и подготовки отчетности»
Исследование посвящено разработке алгоритма машинного обучения для автоматизации проверки финансовых данных при закрытии отчетного периода. Актуальность работы обусловлена высокой трудоемкостью и ошибками ручных методов, а также ростом объемов данных и ужесточением регуляторных требований. В качестве решения предлагается ансамблевый алгоритм на основе искусственного интеллекта, способный выявлять аномалии в финансовой отчетности. Экспериментальная апробация показала сокращение времени проверки на 30% при одновременном повышении точности детекции ошибок. Результаты демонстрируют практическую применимость подхода для трансформации процессов финансового контроля и создания интеллектуальных систем отчетности.